[发明专利]一种业务系统运行状态的预测方法、装置、设备及介质

权利要求书

1.一种业务系统运行状态的预测方法，其特征在于，所述方法包括：

针对每一系统指标，采用该系统指标的目标网络模型，根据该系统指标在位于目标时间周期之前的第一辅助时间周期中的实际指标值，确定该系统指标在目标时间周期中的预测指标值；其中，该系统指标的目标网络模型根据该系统指标在样本时间周期和位于样本时间周期之前的第二辅助时间周期中的实际指标值预先构建；

根据各系统指标在目标时间周期中的预测指标值和各系统指标对应的权重，确定系统在目标时间周期中的预测分数；

根据所述预测分数，以及候选运行状态和候选分数之间的关联关系，从所述候选运行状态中确定目标运行状态。

2.根据权利要求1所述的方法，其特征在于，所述该系统指标的目标网络模型通过如下方式确定：

根据随机生成的网络参数，构建该系统指标的原始网络模型；

对该系统指标的原始网络模型进行扩增，得到该系统指标的至少两个候选网络模型；

采用贝叶斯优化算法优化各候选网络模型的超参数，并根据优化完毕的超参数对各候选网络模型进行训练；

根据经训练的各候选网络模型和该系统指标在第二辅助时间周期中的实际指标值，从经训练的各候选网络模型中确定该系统指标的目标网络模型。

3.根据权利要求2所述的方法，其特征在于，所述根据经训练的各候选网络模型和该系统指标在第二辅助时间周期中的实际指标值，从经训练的各候选网络模型中确定该系统指标的目标网络模型，包括：

根据经训练的各候选网络模型和该系统指标在第二辅助时间周期中的实际指标值，确定该系统指标在样本时间周期中的预测指标值；

确定该系统指标在样本时间周期中的预测指标值与该系统指标在样本时间周期中的实际指标值之间的均方误差、均方根误差和平均绝对误差；

若存在任一经训练的候选网络模型的满足模型确定条件，则将该经训练的候选网络模型作为该系统指标的目标网络模型；其中，所述模型确定条件为均方误差、均方根误差和平均绝对误差均小于对应阈值。

4.根据权利要求3所述的方法，其特征在于，所述确定该系统指标在样本时间周期中的预测指标值与该系统指标在样本时间周期中的实际指标值之间的均方误差、均方根误差和平均绝对误差之后，还包括：

若各经训练的候选网络模型均不满足模型确定条件，则对该系统指标的候选网络模型进行扩增，得到该系统指标的新候选网络模型；

采用贝叶斯优化算法优化各新候选网络模型的超参数，并根据优化完毕的超参数对各新候选网络模型进行训练；

根据经训练的各新候选网络模型和该系统指标在第二辅助时间周期中的实际指标值，从经训练的各新候选网络模型中确定该系统指标的目标网络模型。

5.根据权利要求2所述的方法，其特征在于，所述对该系统指标的原始网络模型进行扩增，包括下述至少一项：

增加该系统指标的原始网络模型的网络层数；

增加该系统指标的原始网络模型中至少一层网络的节点数；

随机在该系统指标的原始网络模型中的两层网络之间增加一条跳跃连接；

随机将该系统指标的原始网络模型中的两层网络进行拼接。

6.一种业务系统运行状态的预测装置，其特征在于，包括：

预测指标值确定模块，用于针对每一系统指标，采用该系统指标的目标网络模型，根据该系统指标在位于目标时间周期之前的第一辅助时间周期中的实际指标值，确定该系统指标在目标时间周期中的预测指标值；其中，该系统指标的目标网络模型根据该系统指标在样本时间周期和位于样本时间周期之前的第二辅助时间周期中的实际指标值预先构建；

预测分数确定模块，用于根据各系统指标在目标时间周期中的预测指标值和各系统指标对应的权重，确定系统在目标时间周期中的预测分数；

运行状态确定模块，用于根据所述预测分数，以及候选运行状态和候选分数之间的关联关系，从所述候选运行状态中确定目标运行状态。